في السنوات الأخيرة، حققت نماذج التعلم الآلي تقدمًا مذهلاً بسرعة. مع زيادة قدرات النماذج، زادت تعقيداتها بشكل متزامن - حيث تحتوي النماذج المتقدمة اليوم غالبًا على ملايين أو حتى مليارات من المعلمات.
استجابةً لتحديات بهذا الحجم، ظهرت أنظمة متعددة من إثباتات المعرفة الصفرية، حيث تكرّس هذه الأنظمة جهودها لتحقيق توازن ديناميكي بين زمن الإثبات، وزمن التحقق، وحجم الإثبات.
النمو الأسي في حجم معلمات النموذج  على الرغم من أن معظم الأعمال الحالية في مجال إثباتات عدم المعرفة تركز على تحسين نظام الإثبات نفسه، إلا أن بُعدًا رئيسيًا غالبًا ما يتم تجاهله - وهو كيفية تقسيم النماذج الكبيرة بشكل منطقي إلى وحدات فرعية أصغر وأسهل في المعالجة من أجل الإثبات. قد تسأل، لماذا تعتبر هذه النقطة مهمة جدًا؟
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
"كيف تأكل فيلًا؟ لقمة لقمة."
في السنوات الأخيرة، حققت نماذج التعلم الآلي تقدمًا مذهلاً بسرعة. مع زيادة قدرات النماذج، زادت تعقيداتها بشكل متزامن - حيث تحتوي النماذج المتقدمة اليوم غالبًا على ملايين أو حتى مليارات من المعلمات.
استجابةً لتحديات بهذا الحجم، ظهرت أنظمة متعددة من إثباتات المعرفة الصفرية، حيث تكرّس هذه الأنظمة جهودها لتحقيق توازن ديناميكي بين زمن الإثبات، وزمن التحقق، وحجم الإثبات.
النمو الأسي في حجم معلمات النموذج

على الرغم من أن معظم الأعمال الحالية في مجال إثباتات عدم المعرفة تركز على تحسين نظام الإثبات نفسه، إلا أن بُعدًا رئيسيًا غالبًا ما يتم تجاهله - وهو كيفية تقسيم النماذج الكبيرة بشكل منطقي إلى وحدات فرعية أصغر وأسهل في المعالجة من أجل الإثبات. قد تسأل، لماذا تعتبر هذه النقطة مهمة جدًا؟